How to identify line extensions that survive
Notice bibliographique
Résumé
Purpose Launching a new product is costly, and failure is likely. Although brands continue to launch new products, there is no clear guidance about when or how to detect the survivors. The purpose of this study is to help brands identify earlier which launches are at risk of failure and which are likely to survive. Design/methodology/approach This study compares the performance of 7,195 survivor (reported sales three years after launch) and 5,294 failed (reported no sales after the first year) line extensions (LEs) to detect patterns in how survival is linked to early indicators. Findings This study shows that the “average” survivor and failed LE has a similar repeat-buyer rate in each quarter over their launch year. Although the repeat-buyer rate is similar for survivor and failed LEs, there is a larger difference in the penetration the “average” survivor and failed LEs achieve over launch. The penetration differences manifest after the first quarter from launch and the divide continues to widen over the launch year. The descriptive and model results suggest penetration is a more sensitive measure to identify survival early on. Practical implications This research provides guidance about when and how to identify likely failure and survivor LEs. The results suggest investing in activities to bolster repeat buying still has a role, but it is more productive for marketers to prioritize activities with a greater opportunity to build trial. The findings from this study give marketers the tools to identify the LEs to keep supporting, and those to remedy or delist. Originality/value This study advances existing knowledge by uncovering the role of trial and repeat. The study uses practitioner-relevant data and performance indicators that are widely adopted in practice to measure new product success.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».